你的AI應該少記一點

結論並不討喜：你的AI應該少記一點。一人公司不需要一個把每項偏好、每段對話和每個權宜之計永久保存的智能體。它需要的是一個知道哪些記憶可信、哪些權限仍然有效、哪些事實已經過期，並能在舊判斷撞上新證據時復原的智能體。

記憶聽起來只是方便，但在作業系統裡，它就是權限。記住的偏好會影響建議，記住的專案狀態會改變工作方向，記住的批准可能觸發外部行動，記住的事實可能不經複核就進入模型、文章或決策。智能體一旦跨越多個工具、連續工作數小時，記憶就同時成為資料庫、策略引擎和組織傳聞。

10月12日，產品前沿又向這個現實邁進一步。Meta發佈Muse Wonder，並引入其所謂的Active Memory和Active Focus。模型可以跨對話檢索相關脈絡、持續執行長任務、嘗試替代路徑並從錯誤中復原。Meta研究說明把這些能力視為個人與專業智能體的基礎。配套的模型頁面列出100萬token脈絡視窗；每100萬token的價格為輸入4美元、快取輸入0.20美元、輸出20美元。

OpenAI的Dots則從另一個角度把治理問題具體化。一個dot可以接收ChatGPT的記憶和近期脈絡，從已連接的外掛程式形成脈絡；即使之後關閉記憶共享，它仍可繼續使用此前已經收到的資訊。Dots私隱常見問題還說明，目前使用者不能查看、刪除或直接修改dot脈絡中的單條記憶。刪除dot會移除這部分脈絡，但相關檔案、對話和ChatGPT記憶可能各自遵循不同的保留路徑。

兩款產品都讓持久脈絡更有用，但都沒有證明記得更多就能提高長期任務的完成品質。管理問題因此可以縮小成一句實話：一個智能體至少需要記住甚麼，才能完成已接受的工作，又不把昨天的錯誤或權限帶到明天？

記憶是隱藏的控制平面

控制平面決定系統應該如何運行。在AI工作流程中，提示詞和權限顯而易見；記憶更安靜。它在任務開始前提供預設值，也會在無人注視時填補空白。

假設一個智能體記得Robin偏好簡潔報告。這個偏好本身無害，直到「簡潔」讓它省略了一項重大不確定性。再假設它記得某項發佈任務曾獲批准。那次批准可能只適用於一個網站、一個日期和一套受保護的發佈流程。記憶一旦丟掉這些邊界，一條有用的歷史事實就會變成危險的長期授權。

證據也有同樣的問題。公司可能宣佈未來部署，之後完成、推遲或取消。若記憶只留下「公司正在部署」，即使原始資訊已經變化，它聽起來仍像當前事實。搜尋可以刷新事實，但如果記憶先給出一個篤定答案，智能體可能根本不會去搜尋。

因此，來源追溯至關重要。每條會影響結果的記憶都應回答五個問題：

1. 這項主張來自哪裡？
2. 它是甚麼時候被觀察到的？
3. 系統當時有多大把握？
4. 哪些任務和權限可以使用它？
5. 甚麼事件會讓它過期或被糾正？

沒有這些欄位，記憶只是一句話。有了它們，記憶才是可以檢查的營運對象。

五類記憶需要五套規則

一人公司至少應把記憶分成五類：身份、偏好、專案、證據和行動狀態。把它們混進一個沒有類型的儲存池，只會製造本可避免的錯誤。

身份記憶包括姓名、公開角色和所擁有網域等穩定事實。它們變化緩慢，但仍然敏感，因為身份可能授權溝通或影響存取。此類記錄需要經過核實的來源、有限的可見範圍和明確的糾錯路徑。

偏好記憶包括語氣、格式、工作習慣和長期興趣。偏好是有用的先驗，卻不是有力的授權。「Robin喜歡機械人」可以引導搜尋重點，卻不能據此寫入某個機械人專案、花錢或聯絡公司。偏好若未被持續強化，就應逐漸衰減，因為品味會變，語境也會變。

專案記憶記錄架構、負責人、分支規則、目前狀態和復原程序。它需要直接連結到規範檔案，並經過新鮮度檢查。操作手冊更新後，記住的舊指令就應失去優先級；專案摘要絕不能高於目前儲存庫。

證據記憶保存主張、來源、日期、計算和不確定性，對來源追溯的要求最嚴格。上週推動決策的事實，今天可能已經過時。證據記憶應回指不可變的來源檔案，保留限定條件；如果新鮮度會影響目前任務，就必須重新打開核實。

行動狀態記憶說明某件事處於擬議、就緒、運行、已交付、已核實還是已完成。它的營運風險最高。完成必須有收據，權限必須有範圍。過去的一句「可以」絕不能脫離其對象、目的地、金額、日期和復原邊界而獨立存在。

這五類記憶不應共用一條保留規則。身份可以保存到被糾正為止；臨時發佈鎖可能只存在幾分鐘；市場資料可能幾小時後就過期；寫作偏好可以在幾個月裡逐漸淡化；經過核實的發佈收據則可以永久保留，因為它記錄的是歷史，而不是未來權限。

給每條記憶加上有效期和權限範圍

快取系統常用存活時間，即TTL。同樣的道理也適用於智能體記憶：新鮮度本來就是正確性的一部分。

TTL並不要求計時器一響就刪除所有內容。到期可以只是把記憶從「可直接使用」改為「必須重新核實」。股價可能幾分鐘後就要重新擷取；比較經濟性之前，模型價格可能要再查一次；專案架構說明可以一直使用，直到所引用檔案的雜湊值發生變化；所有者指令在被取代前可以持續有效，但關鍵行動仍取決於當時明確授予的權限。

權限範圍也必須同樣精確。一條記憶可以被讀取，卻不一定可以被執行。OpenAI的Dots介紹描述了透過唯讀連接工具主動研究，並為關鍵工作設置行動覆核、批准和Custom Rules。這項設計原則不限於某個產品：取得脈絡與獲得行動權限是兩種不同能力。

因此，一條有用的記憶記錄可以包含以下欄位：

• source：規範檔案、訊息或公開文件；
• observed_at：這項主張進入系統的時間；
• confidence：已確認、有來源歸屬、推斷或未知；
• valid_until：觸發重新核實的時間或事件；
• read_scope：哪些智能體或專案可以檢索它；
• action_scope：它可以支持哪些行動，如有；
• supersedes：它取代的較早記錄；
• correction_path：個人或流程如何修正它；
• receipt：任何聲稱已完成行動的證據。

具體格式不如這種分離重要。模型應該能夠說：「我記得這項偏好，但它不授予任何權限。」或者：「我記得這個事實，但它的新鮮度視窗已經關閉。」這既是更好的推理，也是更安全的營運。

矛盾是一項功能

許多記憶系統優化的是檢索，受治理的記憶系統還必須優化矛盾處理。

假設一條記錄說某項服務08:00啟動，更新的設定卻寫著08:30。檢索系統可能同時傳回兩條，讓模型自行發揮。治理層則應識別兩條記錄指向同一欄位，比較權威性與日期，保留歷史值，並把新值標為目前值。如果衝突無法解決，狀態就是未知，任務應走安全分支。

只要審計價值重要，糾錯就應採用追加記錄。擦掉舊主張，會失去解釋過去行為的依據；同時保留兩條卻不建立取代關係，則會製造歧義。更好的模式是一條鏈：觀察到的主張、修正、理由、生效時間，以及需要覆核的下游記錄。

遺忘同樣重要。有些資訊應該消失，因為它已無用、權限已經終止，或保留造成的風險大於價值。Dots私隱常見問題恰好說明了為甚麼必須逐層檢查刪除語義：關閉記憶共享不會移除dot已經收到的資訊；刪除dot脈絡也不會移除每個相關檔案或對話；目前也不能單獨編輯dot記憶。治理層應繪出每個儲存區和刪除邊界，而不是把「忘記」當成一個萬能按鈕。

時間越長，小錯誤放得越大

持久運行的智能體，讓過時假設有更多機會層層累積。OpenAI的長時間跨度安全說明描述了一個案例：一系列單獨看來可以接受的行動，組合起來卻形成了不受歡迎的軌跡。OpenAI暫停了內部存取，開發了源於該事件的評測，改進軌跡級監控，並加入可以中斷工作階段的控制措施。

這項教訓並不只適用於安全研究。錯誤的專案路徑可能浪費數小時，過時的來源可能傳播到四種翻譯，過期權限可能被多個子智能體重複使用。運行時間越長、工具權限越廣，檢查完整軌跡就越有價值，不能只看孤立動作。

Meta的Active Focus旨在幫助智能體繞過障礙並從錯誤中復原。只有目標狀態仍然正確，持續推進才有價值。一個拿著過時記憶卻異常執著的智能體，可能非常高效地做錯事。因此，復原要過兩道檢查：流程是否已經復原？它是否朝著獲授權、有證據支持的結果復原？

OpenAI與Jump Trading的案例把營運邊界說得很清楚。該公司描述了持續時間更長、能力更強的智能體研究；但案例同時指出，即使是運行時間最長的GPT-6 Astra工作，仍會由人定期檢查資料、持續時間、重要性，以及中間結果是否合理。案例也強調安全環境、可觀察性、明確約束，以及由人接受關鍵輸出。

記憶不能代替這些邊界。它能做的是讓邊界持久化，更容易被執行。

一項可證偽的記憶實驗

下一步應該做配對比較，而不是再寫一份宣言。用相同的基礎模型、工具、token預算、任務和驗收標準，建立兩個唯讀智能體。

第一個智能體獲得不受限制的記憶記錄：偏好、過往任務摘要、專案說明和舊證據不設有效期，也沒有類型化權限，全部可以被檢索。第二個智能體獲得受治理的記憶記錄，每條都帶有來源、置信度、TTL、讀取範圍、行動範圍和取代關係。

使用30項任務，分成三組：

1. 十項舊記憶仍然正確的任務；
2. 十項事實或專案狀態已經變化的任務；
3. 十項先前權限已經失效的任務。

為每項任務提供相同的來源材料，加入受控矛盾。所有工具都保持唯讀，確保實驗不會改動生產系統、帳戶或資本。兩組都進行重複試驗，評審時隱藏組別標籤。

衡量六項結果：

1. 驗收完成率；
2. 過時記憶錯誤；
3. 未獲授權的擬議行動；
4. 驗收前的糾正次數；
5. 發生矛盾後的復原時間；
6. 每項獲驗收結果的總成本，包括人工評審時間。

結果出來以前，晉級規則就應凍結。只有在不降低驗收完成率的前提下，受治理記憶減少了過時記憶錯誤和權限錯誤，而且總成本不超過事先設定的上限，它才算勝出。解釋更漂亮，或者記憶基準分數更高，都不算。

實驗還要做一項重要的消融測試。保留來源和權限，移除TTL；如果錯誤上升，說明新鮮度控制確實有貢獻。然後保留來源和TTL，移除權限範圍；如果未授權提案增加，說明權限類型確實有貢獻。這樣就不會把所有改善都歸功於一個含糊的「治理層」。

任何結果都不能推廣到測試任務集以外。目標是為RobinOS制定一條路由規則，而不是建立普適的記憶理論。

先建記憶台帳，再建記憶湖

最小可行實現是一份台帳，不是一個平台。一份普通的結構化檔案就能保存少量高價值記錄，並讓每個欄位都看得見。先從目前真正會改變決策的記憶開始：有效的專案規則、證據新鮮度、發佈權限和完成收據。

每次檢索都應留下痕跡：記錄用了哪條記憶、它是否仍然有效、甚麼來源支持它，以及是否發生矛盾。每次糾錯都應新增一條與舊記錄相連的條目。每項關鍵行動都應分別引用授權記錄和最終收據。

台帳還需要垃圾回收規則。過期且低價值的偏好可以刪除或歸檔；歷史證據與收據保持不可變；含有秘密的記錄繼續留在獲准的儲存區，不應只為方便就複製到新索引中。目標是減少不受控制的保留，而不是建立一個更大的記憶資料庫。

NIST的AI風險管理框架強調，在整個系統生命週期內記錄情境、衡量風險、實施治理並持續管理。它並沒有規定本文這套記憶格式，但支持同一項營運原則：AI風險控制必須把預期用途、證據、監控和問責連接起來，而不能只是一張一次性清單。

對一人公司而言，好處是獲得槓桿，而不是患上失憶。智能體可以跨日延續有用脈絡，同時仍然分得清長期規則與舊觀察、偏好與權限、提案與已完成行動。

這篇文章完成了甚麼

本文完成的是一套公開治理框架、一套五類記憶分類法，以及一項擬議的配對實驗。它沒有改動RobinOS記憶、檢查私人帳戶、刪除任何已儲存脈絡、運行實驗、購買模型存取權或授予新權限。在相同任務與相同預算下完成測試以前，受治理記憶與無限記憶的相對表現仍然未知。

實用規則很簡單：少儲存。給留下的記憶定類型。附上來源。設定有效期。把讀取與行動分開。讓糾錯記錄可見。完成必須有收據。

一個甚麼都忘的AI令人惱火；一個把錯誤版本的你永遠記住的AI更糟。真正有價值的系統，能夠解釋自己記得甚麼、為甚麼相信、可以在哪裡使用，以及如何改變判斷。

Categories and keywords

Categories: Agentic AI; Governance; One Person Company; Systems.

Keywords: governed AI memory; agent memory provenance; memory expiry; permission scope; correction ledger; long-running agents; RobinOS.

Hashtags: #AgenticAI #AIMemory #AIGovernance #OnePersonCompany #RobinOS